该研究论文探讨了有限的 Plackett-Luce 模型在排名数据中的可识别性和有效学习问题,提出了一种基于广义矩法的学习算法,并评估了其与其他算法的性能。
Mar, 2016
本文提出了一种名为 PL-Rank 的新算法,用于估计 PL 排名模型关于相关性和公平度量的梯度,相比现有的策略梯度方法,PL-Rank 的采样效率更高且计算成本更低,可以用于更真实、更公平的实际排名系统。
May, 2021
本文提出了对随机效用模型的条件,使其在 Bayesian 框架下通过 MC-EM 得到快速推理,并提供了对于广泛随机效用模型选择(包括 Plackett-Luce model)的具有标度性和能力的实际和模拟数据的结果解,这些条件提供了凸对数似然函数和全局最大解集的有界解。
Nov, 2012
采用基于选择建模的上下文重复选择(CRS)模型,结合多模态模型,提供了生成丰富的排名空间的工具,同时使用结构相关的尾部风险和期望风险界限,对该模型的最大似然估计提供了严格的理论保证,并且在多项式逻辑选择模型(MNL)和 Plackett-Luce(PL)排名模型的预期风险以及 PL 排名模型的尾部风险方面也提供了前所未有的紧密界限。该 CRS 模型在各种场景下明显优于现有的排名数据建模方法,包括比赛和排名投票。
Dec, 2023
本研究研究基于部分排名来推测全局偏好的问题,重点关注如何最优地为排名分配物品及数量,以达到目标估计误差,并提出了一种随机分配方案,实验证实了理论发现。
Jun, 2014
本文介绍 PL-Rank-3 算法,该算法具有可比较于最佳排序算法的计算复杂度,并且可以在任何标准排序可行的情况下应用于学习排序领域。该算法能够通过无偏梯度估计提高优化时间,而不损失性能。
Apr, 2022
本文提出了一种基于 Plackett-Luce(PL)模型和神经网络的排序深度预测算法,在零样本情况下对多个基准数据集进行了评估,相较于现有的排序和回归方法,表现出了更高的有效性。
Oct, 2020
个体在选择过程中首先从候选集中选择一些子集进行考虑,然后再从考虑集中进行选择,本文通过推断无法观测到的考虑集合来解决遇到的问题,并且使用 Plackett-Luce 模型和已知的项目效用来推断项目的考虑概率的上下界,同时提供算法以增强这些概率的界限,从而表明可以通过边界推断学习到关于考虑概率的有用信息。
Jan, 2024
本文提出了一种使用控制变量的 Plackett-Luce 分布来进行离散潜在变量学习模型的随机梯度下降的方法, 能够在非可微、离散和连续数据的因果关系学习任务中胜过其他对比松弛优化方法。
Nov, 2019
在学习排序(LTR)中,为了确保排名结果的后验公平性,提出了一种新的目标函数,通过性能约束来最大化预期相关性。该方法在 LTR 框架中构建了一个组内公平的 Plackett-Luce 模型,并展示了在三个真实数据集上的实验证明了其相比 LTR 基线模型在相关性方面具有更好的公平性和性能。
Aug, 2023